“roughtime”事件分析报告
作者：Terence、Raul、Preston状态：等待决议。根本原因已找到，问题已缓解。网络：Medalla总结：Cloudflare的roughtime服务器全都返回错误信息，而Prysm节点并没有采取适当的应急措施。这个bug导致所有Prysm节点出现时钟偏移。在时钟偏移的影响下，验证者为超前的slot提议区块并生成见证消息。影响：由于roughtime响应错误以及出现时钟偏移，验证者计算slot错误，提议的区块和生成的见证消息均无效。这个问题影响到了全局参与度。在北京时间凌晨1:30至2:45之间，所有Prysm节点都受到了影响。根本原因：来自Cloudflare服务器的roughtime响应出错。具体来说，是因为“ticktock”报告了一个24小时之后的时间。这个时间戳，再经过所有6个服务器的数据取平均值，是的所有Prysm节点都产生了+4小时的时间调整。解决方案：在我们评估roughtime响应错误所引发的潜在问题时，先将roughtime时钟同步设为可选项。发现：Terence最先发现了这个问题。他注意到一个本地信标链节点一直在拒绝超前的区块和见证消息。几分钟之后，由于roughtime时钟偏移量较高，产生了报警。同时，#general和#bug-report频道的用户开始报告本地节点拒绝超前区块和见证信息的问题。
经验教训
哪里出了问题我们误以为，对于roughtime服务器故障的问题，我们有适当的应急方案。网络中的每个Prysm节点同时受到影响，导致验证者参与率大幅降低。PrysmaticLabs团队原以为，NTP服务器本身较为分散，而且每个服务器都开放6个端口，不会出现全局故障的问题。万幸的是一位贡献者已经向我们提交了一个PullRequest，把roughtime时间校准设为可以选择退出的功能。我们已经可以用命令行功能标签立即选择取消roughtime时钟校准，这让修复措施变得简单，而且只需一次PullRequtest就能验证。用户在Discord上积极参与讨论。当节点出现问题时，有大量用户提供了详细报告和重要指标。我们有一个持续不断的重同步机制，当它发现时钟偏移量超过2秒时，它会不断更新节点本地的时间。我们一直在重新校准roughtime时钟，以便更快解决这一问题。这可能让这次事件提前了大约30分钟至1小时结束。roughtime时钟同步问题似乎在大约90分钟后就解决了，而且在我们能够紧急发布新版本前，这个事件就已经结束了。时间线2020/08/151:25AM：Terence发现他的本地节点由于一直拒绝超前区块，收到了大量报警。这些区块的slot都超前了4个多小时。1:28AM：Prometheus监控报警系统收到了roughtime偏移量高的报警。那时，距离网络最后一次敲定区块过去了10epoch。1:35AM：至少有30名用户在Discord频道表示他们开始收到下方报警：WARNroughtime:Roughtimereportsyourclockisoffbymorethan2secondsoffset=4h0m0.028854657s1:43AM：Terence在#war-room频道群发了告警消息，称这是一个PS0级别的事件，需要大家共渡难关。1:45AM：Discord频道的用户提出，重启信标链节点和验证者客户端无法暂时解决这个问题。最可行的方案是将roughtime时钟同步设为可选禁用的功能。1:51AM：问题上升到了多客户端聊天室1:52AM：Ivan完成了https://github.com/prysmaticlabs/prysm/pull/68982:00AM：Terence与512位验证者一起在本地测试了6898号PullRequest。2:20AM：据已捕获的调试日志显示，“ticktock”服务器有段时间一直在报告24小时之后的时间。
2:27AM：Raul联络了Preston。Preston将在1小时内回来构建新版本。同时，我们将发布docker镜像。2:40AM：Preston指出只靠紧急修复还不够，我们需要取消将roughtime时钟同步作为默认项。2:42AM：Raul开始调查Kibana，并使用fluentd中的filter分析来自roughtime的调试日志响应。2:43AM：Terence交叉检查了信标链命名空间中所有pod的kubectl日志。正如预期的那样，pod确实存在roughtime时钟偏移问题。2:46AM：Raul向6898号PR提交了正确的修复程序。3:05AM：Raul确认该修复程序可以让节点在本地工作。如果存在时钟偏移，修复程序会产生告警日志，但是不会试图基于roughtime服务器更新时间。3:08AM：Terence在我们的discord频道向所有人宣布：“Prysm节点出现roughtime响应错误，应急措施没有达到预期效果。我们已经找到了故障所在，很快就会进行紧急修复，并在1小时内上线新版本。在即将发布的新版本中，roughtime时钟同步将不再是默认项。”3:18AM：Buildkite单元测试、规范测试、docker镜像构建成功。e2e测试尚未完成。Preston准备启动上线流程。3:22AM：新版本生成：https://github.com/。Terence确认这个方法可以修复其验证者节点。Preston开始使用新的docker镜像依次重启我们的有状态集合中的pod。集群验证者会基于新的镜像进行更新。3:34AM：Docker镜像被标记成alpha21版本，稳定性好，二进制文件已经构建完成3:34AM：对有状态集合中pod的健康状态进行监控，确保滚动更新成功3:36AM：使用新的docker镜像对我们的验证者pod进行滚动启动。4:29AM：在日志上查看返回的延时值。平均来看，这些值似乎都在0.1秒以下。延迟不是调查的关键指标。准确来说，“中点”才是需要研究的地方。注：下表时间是太平洋标准时间。https://kibana.prylabs.network/
-图片来源：@prestonvanloon.eth-5:32AM：查看高于2秒的偏移量。从该数据中可以看出，在长达90分钟的全局故障期间，Prylabs出块节点的偏移量大约是14000秒。注：下表时间是太平洋标准时间。https://kibana.prylabs.network/
-图片来源：@prestonvanloon.eth-4:41AM：通过Prometheus报警系统关于平均偏移量的数据，我们可以明显看出在北京时间凌晨1:30至2:45之间确实存在时钟偏移问题，之后偏移量开始下降并恢复正常。4:52AM：即时调查结束。这次时钟偏移故障显然已经结束，而且修复程序已经发布。已经更新的节点将立即恢复，还没有更新的节点需要过段时间恢复。监控系统显示，验证者参与度在逐步回升。6:20AM：用户报告说罚没保护机制已经启动。这是因为之前的时钟偏移导致验证者超前4小时提议区块并生成见证消息。为了避免遭到罚没，Prysm验证者没有继续提议无效区块。8:13AM：再次故障8:13AM：Nishant注意到6898号PR中存在严重缺陷。只有在roughtime功能标记开启的情况下，用户才能设置它的功能。8:16AM：Preston更新了“最新的”二进制文件，使其指向alpha20版本来实现临时回滚，并建议用户回滚至alpha20版本。我们现在正在等待合并7004号PR作为alpha22版本的候选。8:45AM：值班团队正在评估是否扩大热状态缓存的大小，以便alpha22版本能够更快让网络重新开始敲定区块。当前默认的热状态缓存大小为8个epoch，但是Medalla测试网距离上一次敲定区块已经过去了将近100个epoch。9:12AM：值班团队决定将默认缓冲大小更新至64epoch，并使其可以通过功能标记来配置。经过初步测试，这有可能会使内存使用量增加1.5G。等网络重新开始敲定区块后，缓冲大小还可以调整。9:57AM：所有PrysmaticLabs验证者节点都生成了会被罚没的见证消息。紧急修复程序删除了Prylabs验证者节点的本地存储。没有任何外部的罚没保护机制在运行。具体情形尚待确认……在1024名验证者中，至少有800名验证者已经或即将遭到罚没。10:37AM：多名用户报告称无法同步区块链。目前的问题是，网络中有太多节点在同一时间进行同步。Alpha22版本被推迟，需要等待进一步通知。10:46AM：Prylabs团队认为现在最好的办法就是等待。用户应该运行alpha20版本或最新的docker镜像。2020/08/162:12AM：正在对同步难的问题进行调查。11:36AM：Nishant和Victor发布初始同步修复程序。参见PullRequest7012。2020/8/171:51AM：合并拉取7012号PR。一些用户报告说同步成功。PrysmaticLabs开始将7012部署到出块节点上。5:15AM：从commit0be1957c2897909b943b80fdd028f5346ae6cde6开始开发Alpha.22版本5:33AM：Alpha22版本发布。链接：https://github.com/5:40AM：通过Discord频道宣布Alpha22版本上线。Prysmatic的值班团队继续监控同步情况，以便进行优化。与此同时，越来越多用户同步至最新区块。12:53AM：Alpha23版本上线，已在Discord频道宣布该消息。Alpha23版本包含一些同步修复程序，有望解决Medalla测试网的问题。建议用户在运行时开启“--dev”标记，以便获得更好的体验。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。